3 ­ 2007 NÁRODOHOSPODÁŘSKÝ OBZOR
35
VYBRANÉ ASPEKTY INOVAČNÍHO PROSTŘEDÍ V REGIONECH
ČR1
Bohumil Frantál, Pavel Klapka, Josef Kunc
Úvod
Předkládaný příspěvek navazuje na námi prezentovanou ,,pilotní studii" Inovační potenciál
v regionech ČR ­ komparace krajů, zabývající se prostorovým hodnocením inovačního
potenciálu krajů České republiky na základě vybraných ukazatelů. Tuto studii jsme představili
na X. Mezinárodním kolokviu o regionálních vědách, pořádaném Katedrou regionální
ekonomie a správy ESF MU a konaném v Pavlově v červnu 2007. Jak jsme naznačili v našem
předchozím příspěvku, chceme dále naše snahy v této problematice korigovat, cizelovat
a vybrané ukazatele obměnit a znovu testovat.
Základem příspěvku, resp. dalšího uceleného předmětu testování, jsou čtyři postupové kroky,
bez kterých se neobejdeme. Jedná se o:
1) vhodný výběr ukazatelů, které primárně vstupují do hodnocení a mají vztah k inovačnímu
prostředí regionů ČR;
2) hledání korelačních závislostí mezi zvolenými ukazateli;2
3) relativní (poměrové) hodnocení inovačního prostředí (potenciálu) v regionech ČR;
4) provedení jednoduché typologie regionů ČR, založené na zvolených ukazatelích.
V následujících pasážích příspěvku se zaměříme na vysvětlení jednotlivých avizovaných
postupových kroků, komentáře, hodnocení a závěry.
Metodika zpracování
Nezbytně prvním metodickým krokem je výběr ukazatelů, na jejichž základě hodnotíme
inovační prostředí v regionech ČR. Za regiony ČR považujeme jednak vyšší územně správní
celky ­ kraje, jež jsou základním článkem naší regionální samosprávy, a také regiony
soudržnosti ­ NUTS II,3
* zastoupení osob s vysokoškolským vzděláním v celkovém počtu obyvatel (přepočet na
1 000 obyvatel);
které slouží především jako statistická jednotka ve vztahu k Evropské
unii. Oproti předchozímu výběru ve výše uvedené studii jsme ukazatele do značné míry
obměnili a více precizovali pro následnou korektnost korelace. Jedná se o tyto:
1
Tento příspěvek byl zpracován v rámci řešení projektu GA ČR č. 402/07/P436 ,,Konkurenceschopnost
rozvojových zón v České republice se zaměřením na inovační podnikání".
2
Tento krok zařazujeme z toho důvodu, že pro případné budoucí hodnocení nižších hierarchických úrovní
nemusí být údaje pro všechny zvolené ukazatele dostupné. Korelační analýza nám tedy může pomoci při
volbě reprezentativních ukazatelů.
3
Regiony NUTS II nebyly v předchozí studii testovány, přidali jsme je pro dotvoření celkového
regionálního obrazu ČR, přičemž jsme si vědomi, že jejich statistická velikost stírá řadu zajímavých
skutečností a ,,nesrovnalostí", které se projeví teprve na nižší hierarchické úrovni (kraje, ale především
okresy). Pro určitou eliminaci ,,síly" hlavního města Prahy jsme tuto pro naše účely sloučili s regionem
Střední Čechy.
NÁRODOHOSPODÁŘSKÝ OBZOR 3 ­ 2007
36
* zastoupení studujících přírodovědných, technických a farmaceutických oborů vysokých škol
v celkovém počtu vysokoškolsky vzdělaných osob (přepočet na 1 000 obyvatel);
* zastoupení výzkumných a vývojových pracovníků v ekonomicky aktivním obyvatelstvu
(přepočet na 1 000 obyvatel);
* výdaje na výzkum a vývoj (VaV) v roce 2005 vztažené k celkovému počtu obyvatel
(přepočet na 1000 obyvatel);
* zastoupení inovačních firem4
v rámci obchodních společností - statistických jednotek typu
podnik5
* subjekty vytvářející inovační prostředí
(přepočet na 1 000 jednotek);
6
vztažené k celkovému počtu obyvatel (přepočet na
10 000 obyvatel).
Všechny ukazatele byly vzhledem k provedené korelační analýze zrelativizovány, jejich pořadí
se následně vztahuje i k tabulkám č. 1 a 2, kde není možné použít plný název ukazatele.
Volba uvedených ukazatelů závisí v prvé řadě na vnímání inovačního prostředí, resp.
inovačního potenciálu.7
Toto prostředí posuzujeme nikoliv pouze technologicky, ale v souladu
s předchůdci a pozdějšími představiteli institucionálních směrů (ale nejen jich - např. Veblen,
Schumpeter, Myrdal, Friedman, Lasuén, Harvey, Hägerstrand, Massey a další) ve smyslu
ekonomickém, společenském i kulturním.8
V novějších pracích nalezneme další postoje
a názory k institucionálním přístupům, které se pomocí inovačního potenciálu9
snaží vysvětlit
nerovnoměrnost mezi regiony (např. M. Storper (1990); P. Cooke, K. Morgan (1993); A. Amin,
N. Thrift (1994, 1997); B. A. Lundvall, B. Johnson (1994); A. Malmberg (1997); B. Lenntorp
(1999), S. Öberg (2005) a další. Z výčtu uvedených jmen je znát velmi silnou pozici švédské
,,ekonomicko-geografické školy," spojené především se jménem Thorstena Hägerstranda a ,,jeho"
školou geografie času.10
* podvazují inovační prostředí a potenciál zvnějšku, jsou jeho potenciálními nositeli a
zprostředkovateli ­ společenské, ekonomické (finanční) aspekty (ukazatele č. 1, 2, 3, 4);
V česky psané literatuře stojí za zmínku především práce ekonomů F.
Valenty (1969, 2000), P. Sirůčka (2001) a R. Holmana (2000), kteří se v některých svých
pracích inspirovali také moderním institucionálním myšlením a odkazy jeho představitelů.
Vybrané a testované ukazatele tedy lze tedy s určitým nadhledem členit na ty, které:
4
Inovační firmy z databáze Českého statistického úřadu (ČSÚ) ,,Počet a podíl inovačních podniků
v regionálním členění za období 2003­2005".
5
Za statistickou jednotku typu podnik je považován subjekt, který podle informací ze statistických
zjišťování nebo z administrativních zdrojů vykazuje ekonomickou činnost.
6
Jedná se o výzkumné organizace sdružené v Asociaci výzkumných organizací, ústavy a pobočky ústavů
Akademie věd ČR a další podobné organizace, vysoké školy univerzitního typu a soukromé vysoké školy.
7
Na druhé straně jsme do značné míry determinováni dostupností statistických údajů v regionálním
členění, což náš výběr omezuje.
8
V souvislosti s jmenovanými osobnostmi se podobně jako někteří z nich odkláníme od ,,starého"
institucionalismu, pro který byla příznačná pouze kvalitativní analýza a odpor k jakékoliv matematizaci
a statistickému ověřování. Považujeme kvalitativní i kvantitativní analýzy ve smyslu moderních
institucionálních myšlenkových směrů za vhodně se doplňující a užitečné.
9
Tímto potenciálem rozumí např. R. Nelson (1992) technologické inovace, firmy a instituce.
10
Na švédskou školu geografie času volně navázala v 80. letech v USA tzv. kalifornská škola, mezi jejíž
čelní představitele patřili geografové M. Storper, Ch. Walker a A Scott.
3 ­ 2007 NÁRODOHOSPODÁŘSKÝ OBZOR
37
* inovační prostředí primárně ,,definují" svým charakterem (inovační firmy, instituce...), jsou
určitými ,,výkonnými jednotkami" (ukazatele č. 5 a 6).
Pro hodnocení míry asociace či závislosti vybraných proměnných (tj. ukazatelů) jsme na rozdíl
od první studie (Pearsonův koeficient korelace) použili Spearmanův koeficient pořadové
korelace, jež nabývá hodnot od +1 do -1 a vyjadřuje nelineární vztah mezi množinami dat ­ jde
tedy o neparametrickou korelaci s ordinálními proměnnými.11
Typologie regionů ČR podle inovačního prostředí (potenciálu) byla metodicky provedena tak,
že jsme na základě šesti vybraných ukazatelů dostupných pro každou prostorovou jednotku
(kraj, region NUTS II) vypočetli taxonomickou vzdálenost
Vzhledem k nelineárním
vztahům mezi zvolenými proměnnými se nám Spearmanův koeficient korelace jeví vhodnější
než Pearsonův. Hodnoty koeficientu +1 a -1 značí absolutní závislost hodnocených proměnných
(přímou: o kolik stoupne hodnota x o tolik stoupne i hodnota y, resp. nepřímou: o kolik stoupne
hodnota x o tolik klesne hodnota y). Hodnota koeficientu 0 pak značí, že mezi hodnocenými
proměnnými neexistuje žádná korelační závislost. Tento typ korelačního koeficientu patří vedle
Pearsonova korelačního koeficientu ve společenských vědách k nejvíce využívaným (L. C.
King, 1969).
12
kraj
mezi jednotlivými jednotkami.
Z vícero možností jsme pro výpočet vzdáleností mezi prostorovými jednotkami zvolili
klasickou euklidovskou metriku. Všem šesti ukazatelům byl přisouzen stejný význam. Pokud
by vyšla vzdálenost 0, obě prostorové jednotky by vykazovaly naprosto stejné hodnoty ve všech
šesti ukazatelích ­ měly by tedy naprosto stejné vlastnosti. Se zvyšující se vzdáleností potom
rostla také odlišnost mezi porovnávanými prostorovými jednotkami. Vlastní zařazení krajů do
typů bylo provedeno expertním odhadem (více viz např. J. Mervart, 1977) založeným na
hodnocení naměřených vzdáleností, což je při nízkém počtu hodnocených jednotek (14, resp. 7)
oprávněné. Výpočtu vzdáleností předcházela standardizace konstrukčně i typově odlišných dat,
abychom byli schopni je vzájemně porovnat.
Výsledky a komentáře ­ korelační skóre
Konkrétní údaje šesti zvolených ukazatelů inovačního prostředí (potenciálu) regionů ČR jsou
k dispozici v následujících tabulkách č. 1 a 2. Uvedené hodnoty jsou spíše ilustrativní a jsou
prezentovány tak, jak následně vstoupily do korelace. Údaje za ČR do korelace přirozeně
zahrnuty nebyly, slouží pouze pro případná srovnání.
Tabulka č. 1: Hodnoty ukazatelů inovačního prostředí (potenciálu) krajů ČR
1 2 3 4 5 6
Praha 194,48 168,75 16,60 13,40 62,86 3,22
Středočeský 68,57 0,00 4,17 7,39 102,80 0,72
Jihočeský 73,39 15,26 2,56 2,56 103,83 0,92
Plzeňský 72,16 131,83 2,86 2,05 100,33 0,67
Karlovarský 58,85 0,00 0,18 0,25 95,25 0,26
Ústecký 49,96 38,01 0,72 0,72 99,17 0,56
Liberecký 65,26 130,11 3,10 2,59 78,30 0,98
Královehradecký 73,37 64,40 2,72 2,13 108,05 1,09
11
Jedná se o vztahy mezi porovnávanými proměnnými, resp. o úroveň měření proměnných ­ tedy
ordinální proměnné s četnými kategoriemi.
12
Tedy vzdálenost modelových statistických hodnot od stanoveného výchozího bodu.
NÁRODOHOSPODÁŘSKÝ OBZOR 3 ­ 2007
38
Pardubický 77,46 108,07 3,64 3,23 111,13 1,19
Vysočina 69,30 3,16 1,45 1,38 133,89 0,69
Jihomoravský 106,78 219,25 6,43 4,12 101,45 1,73
Olomoucký 83,84 58,56 3,23 2,15 52,73 0,81
Zlínský 78,22 59,32 2,23 2,66 43,31 1,44
Moravskoslezský 71,68 185,23 2,05 1,74 120,46 0,56
ČR 88,48 116,66 4,67 4,12 86,52 1,18
Poznámka: Popis ukazatelů a jednotky měření jsou uvedeny výše v textu.
Zdroj: ČSÚ, ÚIV, AVO, AV ČR, CzechInvest, vlastní úpravy a výpočty
Tabulka č. 2: Hodnoty ukazatelů inovačního prostředí (potenciálu) regionů NUTS II ČR
kraj 1 2 3 4 5 6
Střední Čechy a Praha 132,16 125,41 10,67 10,43 71,30 1,98
Jihozápad 72,82 69,29 2,71 2,32 102,17 0,81
Severozápad 55,92 59,82 1,26 1,14 91,73 0,62
Severovýchod 75,33 85,95 3,16 2,66 109,43 1,14
Jihovýchod 95,12 170,25 4,88 3,27 107,35 1,41
Střední Morava 81,14 58,91 2,75 2,39 47,46 1,11
Moravskoslezsko 71,68 185,23 2,05 1,74 120,46 0,56
ČR 88,48 116,66 4,67 4,12 86,52 1,18
Poznámka: Popis ukazatelů a jednotky měření jsou uvedeny výše v textu.
Zdroj: ČSÚ, ÚIV, AVO, AV ČR, CzechInvest, vlastní úpravy a výpočty
V dalším kroku byly vybrané ukazatele porovnány každý s každým a vypočtená korelační skóre
jsou uvedena v tabulkách č. 3 a 4. Výsledná skóre (intenzity vztahů, míry asociace) byla
nastavena v následujících pěti intervalech (Hendl, J. 2006):
r = 0,00 ­ 0,19 (velmi nízká míra asociace; v tabulkách kurzívou),
0,20 ­ 0,39 (nízká),
0,40 ­ 0,69 (střední),
0,70 ­ 0,89 (vysoká; v tabulkách tučně),
0,90 ­ 1,00 (velmi vysoká; v tabulkách tučně)
Tabulka č. 3: Korelační skóre (Spearman) ukazatelů inovačního prostředí (potenciálu)
krajů ČR
ukazatel 1 2 3 4 5 6
1 X
2 0,51 x
3 0,64 0,46 x
4 0,64 0,34 0,89 x
5 -0,21 -0,02 -0,16 -0,21 x
6 0,79 0,46 0,72 0,83 -0,23 X
Poznámka: Popis ukazatelů a jednotky měření jsou uvedeny výše v textu. Korelace jsou významné na
hladině významnosti 0,01 ­ 0,05.
Zdroj: vlastní výpočty
3 ­ 2007 NÁRODOHOSPODÁŘSKÝ OBZOR
39
Žádný z ukazatelů inovačního prostředí na úrovni krajů nedosáhl s použitím Spearmanova
koeficientu korelace velmi vysoké míry asociace.13
* zastoupením výzkumných a vývojových pracovníků v ekonomicky aktivním obyvatelstvu
a výdaji na výzkum vývoj (VaV) v roce 2005 vztaženými k celkovému počtu obyvatel
(ukazatele 3 a 4), což se dalo očekávat.
Vysoká míra asociace, na hranici s velmi
vysokou (0,89), byla změřena mezi:
Podobně jsme předpokládali vysokou míru korelace mezi:
* výdaji na výzkum vývoj (VaV) v roce 2005, vztaženými k celkovému počtu obyvatel a dále
subjekty, vytvářejícími inovační prostředí, vztaženými k celkovému počtu obyvatel (4 a 6);
* zastoupením osob s vysokoškolským vzděláním v celkovém počtu obyvatel a subjekty,
vytvářejícími inovační prostředí, vztaženými k celkovému počtu obyvatel (1 a 6).
Také ukazatele 3 a 6 spolu silně asociovaly, přičemž ve všech případech se jednalo o logické
souvislosti.
Středně silné korelační vazby vykázal patrně nejobecněji pojatý ukazatel - zastoupení osob
s vysokoškolským vzděláním v celkovém počtu obyvatel - hned s několika dalšími ukazateli,
a to:
* se zastoupením výzkumných a vývojových pracovníků v ekonomicky aktivním obyvatelstvu
(1 a 3);
* s výdaji na výzkum vývoj (VaV) v roce 2005 vztaženými k celkovému počtu obyvatel
(1 a 4);
* se zastoupení studujících přírodovědných, technických a farmaceutických oborů vysokých
škol v celkovém počtu vysokoškolsky vzdělaných osob (1 a 2).
Středně silnou míru asociace (avšak na spodní hranici) jsme zjistili také u:
* zastoupení studujících přírodovědných, technických a farmaceutických oborů vysokých škol
v celkovém počtu vysokoškolsky vzdělaných osob a zastoupení výzkumných pracovníků
v ekonomicky aktivním obyvatelstvu (2 a 3), kde jsme očekávali přece jen těsnější vazbu,
protože vybrané obory reprezentují podle našich zkušeností ten nejužší inovační potenciál,
co se týče lidských zdrojů. Významnou roli ve slabší míře asociace zde jistě hraje nesoulad
mezi rozmístěním vysokých škol s příslušnými obory a rozmístěním pracovišť, kde následně
výzkumní pracovníci (absolventi vybraných oborů) nacházejí uplatnění.14
Podobně jako v případě velmi vysoké míry asociace, nedosáhl žádný z ukazatelů ani velmi
nízké míry asociace.15
13
Na rozdíl od předchozí studie, kde byl použit Pearsonův koeficient korelace.
14
Viz např. Středočeský kraj, kde není zastoupena žádná vysoká škola s přírodovědnými, technickými či
farmaceutickými obory, ale pracuje zde velké množství výzkumných pracovníků v různých institucích
a organizacích (zázemí Prahy).
15
Na rozdíl od předchozí studie, což opětovně potvrzuje vhodnější volbu nových ukazatelů a jejich
úpravu, a také použití Spearmanova koeficientu korelace oproti Pearsonovu.
Nízkou korelační vazbu mělo pouze:
NÁRODOHOSPODÁŘSKÝ OBZOR 3 ­ 2007
40
* zastoupení studujících přírodovědných, technických a farmaceutických oborů vysokých škol
v celkovém počtu vysokoškolsky vzdělaných osob a výdaje na výzkum vývoj (VaV) v roce
2005 vztažené k celkovému počtu obyvatel (2 a 4), což nepovažujeme za překvapivé.
Ze všech ukazatelů se podobně jako v předchozí studii vyjímá jeden - v tomto případě
zastoupení inovačních firem v rámci obchodních společností - statistických jednotek typu
podnik. Se všemi ostatními ukazateli vykazuje záporné korelace, a to i přesto, že jsme ho
upravili a považujeme ho v zásadě za korektní. Problémem tohoto ukazatele je především počet
inovačních firem dle databáze ČSÚ, které vykazují v rámci ČR velmi výraznou koncentraci do
velkých měst (městských regionů)16
ukazatel
a nikoliv ,,adekvátně" obdobné soustředění obchodních
společností (statistických jednotek typu podnik) do těchto regionů, ze kterých se inovační firmy
nejvíce rekrutují. Záporná korelační skóre tak ukazují na nevhodnost tohoto ukazatele pro
podobné operace nebo přinejmenším na potřebu jeho další precizace. V ostatních případech
nebyly zaznamenány žádné negativní korelace, vhodnost těchto ukazatelů pro naše potřeby
považujeme za vyhovující.
Tabulka č. 4: Korelační skóre (Spearman) ukazatelů inovačního prostředí (potenciálu)
regionů NUTS II ČR
1 2 3 4 5 6
1 x
2 0,18 x
3 0,96 0,29 x
4 0,96 0,29 1,00 x
5 -0,36 0,71 -0,18 -0,18 x
6 0,93 0,11 0,96 0,96 -0,32 X
Poznámka: Popis ukazatelů a jednotky měření jsou uvedeny výše v textu. Korelace jsou významné na
hladině významnosti 0,01.
Zdroj: vlastní výpočty
V případě korelačních skóre pro regiony NUTS II byla situace podle očekávání daleko
jednodušší a přímočařejší (prostorově-statistická velikost regionů), prakticky zde neexistuje
střední míra asociace mezi proměnnými, která umožňuje spekulace a diskuse. Absolutní
závislost (hodnota 1,00) byla zjištěna u:
* zastoupení výzkumných a vývojových pracovníků v ekonomicky aktivním obyvatelstvu a
výdajů na výzkum vývoj (VaV) v roce 2005 vztažených k celkovému počtu obyvatel (3 a 4);
* velmi vysoká míra asociace potom u dalších pěti případů (viz tabulka č. 4), které měly
v ,,krajském měřítku" vysokou či střední sílu vazeb.
Na druhé straně se některé ukazatele (na rozdíl od krajů) projevily jako korelačně jen velmi
málo závislé, a to:
* zastoupení osob s vysokoškolským vzděláním v celkovém počtu obyvatel a zastoupení
studujících přírodovědných, technických a farmaceutických oborů vysokých škol
v celkovém počtu vysokoškolsky vzdělaných osob (1 a 2);
16
Praha, Jihomoravský a Moravskoslezský kraj obsáhnou svým potenciálem polovinu všech inovačních
firem v ČR.
3 ­ 2007 NÁRODOHOSPODÁŘSKÝ OBZOR
41
* zastoupení studujících přírodovědných, technických a farmaceutických oborů vysokých škol
v celkovém počtu vysokoškolsky vzdělaných osob a subjekty vytvářející inovační prostředí
vztažené k celkovému počtu obyvatel (2 a 6).
Ukazatel zastoupení inovačních firem v rámci obchodních společností - statistických jednotek
typu podnik opět vykazuje (až na výjimku, kterou neumíme spolehlivě vysvětlit) se všemi
ostatními ukazateli záporná korelační skóre.
Z hodnocení obou skupin proměnných (kraje i regiony NUTS II) je zřejmé, že zejména ukazatel
číslo 2, jenž se vztahuje k počtu studentů v oborech, které považujeme za nejvíce potenciálně
inovační, je na ostatních ukazatelích do značné míry nezávislý, prakticky bez jakýchkoliv
těsnějších vazeb. Tato skutečnost má své opodstatnění v úzkém výběru hodnot a jejich
proměnlivé prostorové ,,redistribuci" a bereme ji do budoucna v potaz.
Výsledky a komentáře ­ poměrové hodnocení inovačního prostředí v regionech ČR,
typologie regionů ČR
Dalším avizovaným tématem našeho příspěvku je stručné poměrové (relativní) hodnocení
inovačního prostředí (potenciálu) regionů ČR a návazná typologie těchto regionů vyjádřená
graficky (viz obrázky č. 1 a 2). Vypočetli jsme taxonomické vzdálenosti mezi jednotlivými
regiony (tedy kraji i regiony NUTS II) a těmto byly následně přiřazeny příslušné typy. V tomto
případě jsme postupovali podle jednoduché expertní úvahy,17
která předpokládá, že Praha, resp.
Praha a Střední Čechy mají bezpochyby nejvyšší inovační potenciál18
Výsledky typologie krajů podle vybraných ukazatelů, vytvářejících jejich inovační prostředí
(potenciál), uvádí obrázek č. 1. Kraje České republiky byly rozděleny do 6 typů, přičemž Praha
a Jihomoravský kraj tvoří vlastní typy, což zejména v případě Prahy potvrzuje její výjimečnost,
zaznamenávanou v odborných pracích a studiích různého zaměření (např. J. Blažek, 1996,
2001; M. Viturka, 2001, 2002, 2003; P. Tonev, J. Kunc, V. Žítek, 2006 a mnoho dalších). Tato
skutečnost pro nás nebyla žádným překvapením, Jihomoravský kraj posiluje svoji pozici
v souboru krajů ČR zejména vzhledem k velmi silnému inovačnímu potenciálu města Brna.
Také další kraje se do značné míry uskupily podle předpokladů, přičemž jsme si vědomi, že při
odlišné konfiguraci ukazatelů by především střední typy (3­5) mohly mít uspořádání jiné. To je
ovšem přirozené a záleží na primárních predispozicích každého takto testovaného souboru.
(odtud typy 1 v obrázku
č. 1 a 2). Relativní postavení (úspěšnost, resp. neúspěšnost) ostatních typologických skupin
regionů (typy 2­6, resp. 2­5) jsme tedy odvodili na základě taxonomické vzdálenosti
jednotlivých skupin od Prahy (Prahy a Středních Čech). Vzdálenost byla definována jako
průměrná taxonomická vzdálenost krajů tvořících určitý typ od Prahy (Prahy a Středních Čech).
Výjimkou zde ovšem byl kraj Středočeský, který se zcela neočekávaně zařadil do skupiny krajů
tvořící poslední (nejméně ,,inovační") typ. Pokud bychom pouze odhadovali jeho postavení
před provedením řady výpočtů, figuroval by zcela nepochybně mezi typy 2­3. Nastavené
ukazatele (zejména prostředí týkající se vzdělanosti a vysokého školství) však srážejí jeho
inovační potenciál do spodních pater našeho pomyslného žebříčku. Můžeme říci, že jsme
17
Tato úvaha byla ověřená vypočtenými hodnotami.
18
Praha, resp. Praha společně se Středočeským krajem byla tedy zvolena za výchozí bod, od něhož se
odvíjelo další hodnocení (typologie).
NÁRODOHOSPODÁŘSKÝ OBZOR 3 ­ 2007
42
předpokládali také horší postavení Moravskoslezského, Olomouckého a Ústeckého kraje, ale
zde by se jednalo snad pouze o posun v rámci jednoho typu.
Obrázek č. 1: Typologie krajů ČR podle inovačního prostředí (potenciálu)
Obrázek znázorňující inovační prostředí (potenciál) regionů NUTS II (obr. č. 2) představuje
pohled na prostor ČR přesně podle našich očekávání. Praha spolu se Středními Čechami jsou
v tomto případě dominantním územím (a prahovou hodnotou), následují regiony Jihovýchod a
Severovýchod s vlastními typy, dále průměrná Střední Morava a Jihozápad a nejslabší
Moravskoslezsko a Severozápad. Zajímavou, nikoliv však překvapivou skutečností, je posun
regionu Moravskoslezsko (který je v našem provedení jediný zcela srovnatelný s nižší úrovní
krajů) z nadprůměrného kraje v nejslabší region NUTS II, což je však na této hierarchické
úrovni pochopitelné.
3 ­ 2007 NÁRODOHOSPODÁŘSKÝ OBZOR
43
Obrázek č. 2: Typologie regionů NUTS II ČR podle inovačního prostředí (potenciálu)
Zdroj: vlastní zpracování
Závěr
Hlavním cílem článku nebylo hodnocení inovační úspěšnosti krajů ČR, ale hodnocení
prostorových odlišností či podobností inovačního prostředí a potenciálu jednotlivých krajů
a regionů NUTS II ČR na základě vybraných ukazatelů, a to v návaznosti na již publikovanou
,,pilotní studii". Neméně významným cílem bylo i další testování a hodnocení zvolené
metodiky. V dalších pracích bychom se chtěli věnovat hledání obecných geografických
souvislostí prostorové distribuce sledovaných jevů, či aplikace metodiky na nižší hierarchickou
úroveň.19
Z metodologického hlediska jsme došli k následujícím závěrům. Z šesti vybraných a oproti
první studii upravených a precizovaných ukazatelů se zdá být pouze jeden stále víceméně
nevhodný pro další použití (minimálně je třeba provést jeho korekci). U zvolených ukazatelů by
bylo možné se znovu zamyslet nad jejich obsahem v absolutním vyjádření (zejména
u jmenovatelů) a některé pro následnou relativizaci více specifikovat. K samotné korelaci je
možné poznamenat, že i přes zřejmé zlepšení je napříště nutné se ještě podrobněji zabývat
korektností jednotlivých korelačních skóre, tj. zda datové soubory, pro které byly korelace
spočítány, nejsou příliš omezené, a také očištěním od ,,nepravých" (podmíněných korelací).
Rovněž je možné zvážit obměnu stávajících ukazatelů, příp. zařazení některých nových, které
19
Pravděpodobně na úroveň okresů; vyšší úroveň nemá po ověření na jednotkách NUTS II opodstatnění
a význam.
NÁRODOHOSPODÁŘSKÝ OBZOR 3 ­ 2007
44
mohou mít vztah k inovačnímu prostředí a potenciálu regionů a zatím je nevyužíváme (např.
technické a technologické parametry inovačního prostředí).
Vlastní typologie krajů a regionů NUTS II, postavená na základě taxonomických vzdáleností
mezi jednotlivými regiony přinesla na úrovni krajů některé překvapivé, ale přesto uspokojivé
výsledky. Na úrovni regionů soudržnosti dopadla zcela podle našich očekávání, což je na jednu
stranu pozitivní, na druhou však demotivující pro další testování a hodnocení. Touto úrovní se
již skutečně nemá smysl dále zabývat.
Pro typologii prostorových jednotek nižší hierarchické úroveň navrhujeme aplikaci shlukové
analýzy, protože první její krok, který jsme učinili v této i předchozí studii (jednoduché měření
taxonomických vzdáleností), můžeme hodnotit pozitivně. Při vyšším počtu jednotek je shluková
analýza také jeden z korektních způsobů typologie. Metodologickou otázkou zůstává, jakou
formu vzdálenosti a jakou shlukovou strategii zvolit při aplikaci shlukové analýzy, což by se
mělo stát předmětem našich dalších aktivit.
Literatura
[1] AMIN, A. ­ THRIFT, N. (1994): (eds.) Globalization, Institutions and Regional
Development in Europe. Oxford: Oxford University Press.
[2] AMIN, A. ­ THRIFT, N. (1997): Globalization, socio-economics, territoriality. In: Lee,
R., Wills, J. (eds.): The Geographies of Economies. London: Arnold, s. 147-157.
[3] BLAŽEK, J. (1996): Nové institucionální rámce ekonomiky a regionální rozvoj: velké
firmy a sektor progresivních služeb. In Geografická organizace společnosti a
transformační procesy v České republice. Praha: PřF UK, s. 304-314.
[4] BLAŽEK, J. (2001): Regionální důsledky vstupu České republiky do Evropské unie:
pokus o prvotní kvalitativní analýzu. In Hampl, M. a kol.: Specifika české transformace,
evropská integrace a obecná teorie. Praha: Univerzita Karlova, s. 201-225.
[5] COOKE, P. ­ MORGAN, K. (1993): The network paradigm: new departure in corporate
and regional development. Environment and Planning D, Society and Space, 11, s.
543-564.
[6] HENDL, J. (2006): Přehled statistických metod zpracování dat. Praha: Portál, 583 s.
[7] HOLMAN, R. (2000): Joseph Alois Schumpeter ­ teorie podnikatele a hospodářského
cyklu. Seminář J. A. Schumpeter ­ ekonom a politik demokracie, Jihlava. Dostupné na:
http://www.vosji.cz/schumpeter_2000/referaty/holman.htm.
[8] KING, L. J. (1969) Statistical Analysis in Geography. New York: Prentice Hall, 288 s.
[9] KLAPKA, P. ­ KUNC, J. ­ JÁNOŠÍK, D. (2007): Inovační potenciál v regionech ČR komparace
krajů. In X. Mezinárodní kolokvium o regionálních vědách, Brno: ESF MU,
s. 69-75.
[10] MALMBERG, A. (1997): Industrial geography: location and learning. Progress in
Human Geography, 21, s. 573-582.
[11] MERVART, J. (1977): Základy metodologie vědy. Praha: Svoboda.
[12] MORGAN, K. (1997): The leaming region: Institutions, innovation and regional renewal.
Regional Studies, 31, s. 491-503.
[13] LENNTORP, B. (1999): Time-geography ­ at the end of its beginning. GeoJournal 49, s.
155-158.
3 ­ 2007 NÁRODOHOSPODÁŘSKÝ OBZOR
45
[14] LUNDVALL, B. A. ­ JOHNSON, B. (1994): The learning economy. Journal of Industry
Studies, 1, s. 23-42.
[15] ÖBERG, S. (2005): Hägerstrand and the remaking of Sweden. Progress in Human
Geography, 29, 3, s. 340­349.
[16] SIRŮČEK, P. (2001): Nástin teorie zkoumání dlouhých vln ­ hlavní závěry. Marathon, 1,
č. 30, s. 10-22.
[17] STORPER, M. (1990): Industrialization and the regional question in the third world:
lessons of postimperialism; prospects for postfordism. International Journal of Urban and
Regional Research, roč. 14, s. 423-443.
[18] TONEV, P. ­ KUNC, J. ­ ŽÍTEK, V. (2006): Vybrané indikátory regionální
konkurenceschopnosti a jejich vývoj. Working papers CVKS ESF MU, Brno: Centrum
výzkumu konkurenční schopnosti České ekonomiky ESF MU, 36 s.
[19] TOUŠEK, V. ­ VANČURA, M. ­ VITURKA, M. (2000): Geographical Aspects of
Industrial Transformation in the Czech Republic. Geografie ­ Sborník ČGS, 105, č. 2,
Praha, s. 155-165.
[20] VALENTA, F. (1969): Tvůrčí aktivita ­ inovace ­ efekty. Praha: Svoboda, 258 s.
[21] VALENTA, F. (2000): Od Schumpetera k nové ekonomice. První díl. Zkrácené znění pro
zveřejnění na internetu (rukopis), Praha.
[22] VITURKA, M. (2001): Makroekonomické souvislosti rozvoje krajů ČR. In IV.
Mezinárodní kolokvium o regionálních vědách. Brno: ESF MU, s. 33-62.
[23] VITURKA, M. (2002): Konkurenční postavení krajů ČR v prostorovém kontextu EU. In
Regionální politika kandidátských zemí před vstupem do Evropské unie. Ostrava: EF
VŠB-TU, s. 221-227.
[24] VITURKA, M. a kol. (2003): Regionální vyhodnocení kvality podnikatelského prostředí
v České republice. Brno: ESF MU, 141 s.
Summary
The article assesses the innovation environment (potential) of the regions (NUTS II regions) of
the Czech Republic according to six selected indexes. It is concerned with the rate of correlation
association between the indexes, with typology of regions based on the innovation environment.
The main objective of the article is to assess relevance of chosen method and claficication, short
introduction of innovation environment of the regions of the Czech Republic and their typology.
A follow up objective is to possibilities of pick up the threats of next works or its application
e.g. for more detailed hierarchical division of the Czech Republic.